หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ความน่าจะเป็นของ TensorFlow

TensorFlow Probability คือไลบรารีสำหรับการให้เหตุผลที่น่าจะเป็นและการวิเคราะห์ทางสถิติใน TensorFlow ในฐานะที่เป็นส่วนหนึ่งของระบบนิเวศ TensorFlow นั้น TensorFlow Probability ให้การรวมวิธีการที่น่าจะเป็นเข้ากับเครือข่ายแบบลึกการอนุมานตามการไล่ระดับสีโดยใช้การแยกความแตกต่างอัตโนมัติและความสามารถในการปรับขนาดให้กับชุดข้อมูลและโมเดลขนาดใหญ่ที่มีการเร่งด้วยฮาร์ดแวร์ (GPU) และการคำนวณแบบกระจาย

ในการเริ่มต้นใช้งาน TensorFlow Probability โปรดดู คู่มือการติดตั้ง และดู บทช่วยสอนสมุดบันทึก Python

ส่วนประกอบ

เครื่องมือแมชชีนเลิร์นนิงที่น่าจะเป็นของเรามีโครงสร้างดังนี้:

เลเยอร์ 0: TensorFlow

การดำเนินการเชิงตัวเลข โดยเฉพาะอย่างยิ่งคลาส LinearOperator เปิดใช้งานการใช้งานแบบไม่มีเมทริกซ์ซึ่งสามารถใช้ประโยชน์จากโครงสร้างเฉพาะ (เส้นทแยงมุมอันดับต่ำ ฯลฯ ) เพื่อการคำนวณที่มีประสิทธิภาพ สร้างและดูแลโดยทีม TensorFlow Probability และเป็นส่วนหนึ่งของ tf.linalg ใน TensorFlow หลัก

ชั้นที่ 1: หน่วยการสร้างทางสถิติ

  • การแจกแจง ( tfp.distributions ): ชุดการแจกแจงความน่าจะเป็นจำนวนมากและสถิติที่เกี่ยวข้องพร้อมความหมายแบบแบตช์และการ กระจายเสียง
  • ไบเจ็คเตอร์ ( tfp.bijectors ): การแปลงตัวแปรสุ่มแบบย้อนกลับและประกอบได้ ไบเจ็กเตอร์จัดเตรียมการแจกแจงแบบแปลงรูปแบบที่หลากหลายตั้งแต่ตัวอย่างคลาสสิกเช่นการ แจกแจงแบบล็อกปกติ ไปจนถึงโมเดลการเรียนรู้เชิงลึกที่ซับซ้อนเช่นโฟลว์การตอบสนอง อัตโนมัติแบบสวมหน้ากาก

ชั้นที่ 2: การสร้างแบบจำลอง

  • การแจกแจงร่วม (เช่น tfp.distributions.JointDistributionSequential ): การแจกแจงร่วมกันมากกว่าการแจกแจงแบบพึ่งพากันอย่างน้อยหนึ่งอย่าง สำหรับข้อมูลเบื้องต้นเกี่ยวกับการสร้างโมเดลด้วย JointDistribution s ของ TFP โปรดดู colab นี้
  • เลเยอร์ที่น่าจะเป็น ( tfp.layers ): เลเยอร์เครือข่ายประสาทที่มีความไม่แน่นอนเกี่ยวกับฟังก์ชันที่เป็นตัวแทนการขยายเลเยอร์ TensorFlow

ชั้นที่ 3: การอนุมานที่น่าจะเป็น

  • Markov chain Monte Carlo ( tfp.mcmc ): อัลกอริทึมสำหรับการประมาณปริพันธ์ผ่านการสุ่มตัวอย่าง ประกอบด้วย Hamiltonian Monte Carlo , Random-Walk Metropolis-Hastings และความสามารถในการสร้างเมล็ดการเปลี่ยนแปลงที่กำหนดเอง
  • การอนุมานแบบแปรผัน ( tfp.vi ): อัลกอริทึมสำหรับการประมาณปริพันธ์ผ่านการเพิ่มประสิทธิภาพ
  • เครื่องมือเพิ่มประสิทธิภาพ ( tfp.optimizer ): วิธีการเพิ่มประสิทธิภาพแบบสุ่มขยายเครื่องมือเพิ่มประสิทธิภาพ TensorFlow รวมถึง Stochastic Gradient Langevin Dynamics
  • Monte Carlo ( tfp.monte_carlo ): เครื่องมือสำหรับการคำนวณความคาดหวังของ Monte Carlo

TensorFlow Probability อยู่ระหว่างการพัฒนาและอินเทอร์เฟซอาจมีการเปลี่ยนแปลง

ตัวอย่าง

นอกเหนือจาก บทช่วยสอนสมุดบันทึก Python ที่ ระบุไว้ในการนำทางแล้วยังมีสคริปต์ตัวอย่างให้ใช้งานอีกด้วย:

รายงานปัญหา

รายงานจุดบกพร่องหรือคำขอคุณสมบัติโดยใช้ เครื่องมือติดตามปัญหาความน่าจะเป็นของ TensorFlow